L'apprentissage ?

La première phase, réseaux de neurones et l'intelligence artificielle

Depuis une dizaine d'année, les réseaux de neurones artificiels habituellement utilisés en physique appliquée font leur entrée dans la finance en tant que méthode quantitative de prévision, à côté des méthodes statistiques classiques.

Il existe deux raisons principales qui nous ont conduit à s'intéresser à cet outil.


L'apprentissage est l'avant dernière phase d'élaboration d'un réseau de neurones. Elle consiste tout d'abord à calculer les pondération optimales des différentes liaisons, en utilisant un échantillon (voir ci-dessous). La méthode la plus utilisée est la backpropagation : on entre des valeurs du les cellules d'entrée et en fonction de l'erreur obtenue en sortie (le delta), on corrige les poids accordés aux pondérations. C'est un cycle qui est répété jusqu'à ce que la courbe d'erreurs du réseau ne soit croissante (il faut bien prendre garde ne ne pas sur-entrainer un réseau de neurones qui deviendra alors moins performant). Il existe d'autres méthodes d'apprentissage telles que le quickprop par exemple, mais la plus utilisée reste encore la rétropropagation.



Plus vous utilisez de données pour l'apprentissage d'un réseau de neurones plus vos résultats ont une
chance d'être meilleurs, à condition que le comportement des données soit transposable à la tranche de
temps actuelle.
Pour la plupart des actions la tranche de temps optimale pour les données destinées à l'apprentissage est les 3-5 années précédentes.Pour la "vieille économie", ou les actions de premier ordre, on peut supposer que la dynamique de prix des actions ne change pas beaucoup d'une année sur l'autre, aussi utilise t'on généralement une période plus longue.